تشخيص بيماري ديابت با استفاده از شبكه عصبي مصنوعي و عصبي- فازي

Diagnosis of Diabetes using Artificial Neural Network and NeuroFuzzy approach

زمينه و هدف: يكي از ﻣﺸﮑﻼت اﺳﺎﺳﯽ ﺑﯿﻤﺎري ديابت عدم‌تشخيص به‌موقع و درمان ﺻﺤﯿﺢ آن است. مطالعه حاضر با هدف تشخيص بيماري ديابت با استفاده از روش‌ مبتني برداده كاوي انجام ‌شده است. روش­ ها: اين مطالعه از نوع تحليلي بوده و پايگاه داده آن مشتمل بر 768 نفر با 8 ويژﮔﯽ مي‌باشد. در اين پژوهش از شبكه‌هاي عصبي مصنوعي و عصبي-فازي جهت تشخيص بيماري ديابت و انجام محساسبات استفاده ‌شد. تحليل آماري با استفاده از نرم افزار SPSS 23 و برنامه نويسي در محيط نرم افزار MATLAB 2018انجام شده است. به‌منظور حصول دقت واقعي از روش Kfold جهت تفكيك نمونه‌ها به دو دسته آموزش (Train) و آزمون (Test) استفاده‌ گرديد. نتايج: خطاي محاسبه‌شده بر اساس ميانگين مربعات خطا (mean square error) در روش شبكه عصبي مصنوعي پرسپترون چندلايه (MLP) و شبكه عصبي بردار ياد گير كوانتيزه (Learning Vector Quantization) و شبكه‌هاي عصبي-فازي (Nero fuzzy) به ترتيب 98/6% و 98/2% و 99/6% بدست آمد. نتيجه­ گيري: با توجه به نتايج مطالعه، بنظر مي رسد استفاده از مدل‌هاي مبتني برداده كاوي مي‌تواند بعنوان يك روش كمكي در تشخيص بيماري ديابت كارآمد باشد. اگرچه روش هاي مورد مطالعه با دقت قابل قبول توانايي امكان پيش بيني بيماري ديابت را دارند اما نتايج مطالعه نشان مي دهد كه روش مبتني بر عصبي فازي دقت بالاتري دارند.

Background & Aim: A main problem in diabetes is its timely and accurate diagnosis. This study aimed at diagnosing diabetes using data mining methods. Methods: The present study is an analytical investigation including 768 individuals with 8 attributes. Artificial neural networks and fuzzy neural networks were used to diagnose the diabetes. To achieve a real accuracy, the Kfold method was used to divide samples into training and test groups. Results: The mean square errors in multilayer perceptron network (MLP), learning vector quantization and Nero fuzzy networks were 98.6%, 98.2% and 99.6%, respectively. Conclusion: According to the results of this study, , data mining method can be effective in diagnosing diabetes. In this regard, both used methods are useful; however, higher precision was obtained following the use of Neuro-Fuzzy approach.